SkillComposer：面向LLM智慧體的结构化技能組合生成方法

本文針對大語言模型智慧體在複雜任務中面臨的技能選擇瓶頸，提出了一種名為SkillComposer的结构化技能組合生成框架。現有方法通常將技能選擇視為獨立的檢索或推理問題，忽略了技能子集、數量及執行順序之間的強耦合關係。SkillComposer將此一過程形式化為任務條件化的技能序列預測，透過受限自回歸解碼器在一次解碼過程中聯合確定激活的技能子集、數量及順序。實驗基於真實人工策展的技能庫構建訓練集，並在SkillsBench基準上評估。結果顯示，在GPT-5.2-Codex和Gemini-3-Pro-Preview模型上，該方法相比無技能基線分別提升了23.1和18.2個百分點的通過率，不僅超越了Top-3檢索策略，更以較低的提示詞令牌成本達到了黃金技能檢索的上限性能，為智慧體技能管理提供了高效且結構化的解決方案。